通过选择具有代表性的少量波段从数百个波段中提取关键信息是克服高光谱成像的缺点（昂贵、捕获延迟和低空间分辨率）并使其广泛适用的关键技术。本研究提出了首个带选择搜索基准（BSS-Bench），该基准包含 52k 个训练和评估记录，用于各种高光谱分析任务的多个波段组合，旨在使带选择方法易于重现和比较。通过 BSS-Bench，可以轻松重现带选择实验，并衡量搜索结果与最佳性能之间的差距。此外，本研究还提出了一种高效的单次训练的带选择方法（SCOS），通过一次训练学习任何波段组合的优先级，消除了不同波段组合的重复重新训练的需求。经过广泛评估，证明了 SCOS 在多个任务上优于当前带选择方法，即使使用较少的波段。

Dec, 2023

多老师多目标元学习网络 (M3BS) 是一种新颖的用于零样本高光谱波段选择的方法，通过构建通用的图卷积网络 (GCN) 生成数据集无关的基础，从多个波段选择任务中提取兼容的元知识，通过多目标元学习实现与多老师波段选择任务的联合优化，无需重新训练或微调即可直接转移给未知数据集。该方法在零样本高光谱波段选择中与当前最先进的基准方法表现出有效性和效率。

Jun, 2024

该研究提出了一种新的高光谱波段选择模型，通过将数据分解为低秩平滑组分和稀疏组分，采用广义三维总变差（G3DTV）和交替方向乘子法（ADMM）来提高计算效率和抑制空间 - 光谱平滑性，验证了该方法的有效性，并提供了参数选择的实用指南。

May, 2024

该研究论文引入了一种创新的无监督波段选择框架，通过注意机制和自编码器实现基于重建的波段选择，将高光谱成像与 LiDAR 数据进行融合，以提高分类准确性和性能。

Apr, 2024

为了解决选择频段困难和频段之间的复杂非线性关系的问题，本文提出了一种端到端的高效光谱空间变化检测网络（ES2Net），通过引入可学习的频段选择模块和聚类式空间注意机制，能够自动选择适合变化检测的频段并优化特征提取网络，从而提高光谱变化检测的效果。实验证明，该方法相较于其他最先进的方法具有更高的效能和优越性。

Jul, 2023

本文设计了一个基于互信息的算法，与最陡上升算法相结合，以提高对 HSI 分类有用的相关波段的对称不确定性系数策略的特征选择工具和包装器策略，以控制冗余和提高对人工智能的理解和适应。

Oct, 2022

本文提出一种基于端到端的深度学习架构，在高光谱图像分类方面表现出较高的准确度，可减少独立连接权重和训练数据的数量。

Dec, 2016

本文提出一种新颖的 spectral recovery 方法 Neural Band Selection (NBS)， 使用基于连续松弛的带选择过程，采用梯度下降进行高效的搜素，并利用基于带相关矩阵的逐步抑制方法，使其适用于选择任意数量的带。NTIRE 2022 Spectral Reconstruction Challenge 的广泛评估表明，我们的 NBS 在四种不同的光谱恢复方法中均取得了一致的性能提升。

May, 2023

提出一种通过新颖的相机设计和基于 ViT 的算法来减轻高光谱分割的数据占用和计算负担的方法。相机能够自适应地在不同分辨率下采样图像区域或补丁，而不是以高分辨率捕获整个高光谱立方体。分割算法与相机协同工作，仅将基于 ViT 的分割应用于自适应选择的补丁。通过模拟和实际硬件平台展示了精确的分割结果和减少的计算负担。

Jun, 2024

本研究的目标是使用集成特征选择方法，在来自 150 株葡萄藤的 3,000 多张叶片的高光谱数据中，确定检测葡萄叶片中氮含量的最佳波段，最终确认了紫外、黄橙色和短波红外波段对于远程探测葡萄氮素具有潜在意义，并对应用于其他领域的多光谱传感器设计提出了建议。

Oct, 2020